Predicting Short Term Returns for Investment Companies using Machine Learning

Abstract

In this thesis it was evaluated whether it is possible to risk-adjusted outperform the naive, buy and hold, approach for Swedish, listed investment companies. The key metric for this objective was, first and foremost, the Sharpe ratio and secondly the Sortino ratio. To do this, a random forest model was used along with a regime filter. The prediction horizon was one day meaning that at the end of each day a new prediction for the upcoming trading day was made and then a position was formed in accordance to this. The features in the machine learning model were different transformations of the price data for the stock that was examined and its corresponding net asset value as well as OMXS30. Further on, a second strategy was implemented, which allocated part of the trading capital to a trend-following model. In both strategies, transaction costs were incorporated and added for each trade taking place. In the end, it was observed that it is actually possible to risk-adjusted outperform the naive approach by margin, although, by then obtaining lower absolute returns. During the period of evaluation, which was a little more than five years, the Sharpe ratio for Investor and Industrivärden was 0.85 and 0.59 respectively. When implementing the first strategy, which used only the random forest model together with the regime filter, a Sharpe ratio of 1.05 and 1.50 was obtained for Investor and Industrivärden respectively. Secondly, when allocating 25% of the capital to the simple trend-following model instead and hence allocate 75% of the capital to the first strategy, a Sharpe ratio of 1.10 was obtained for Investor and 1.19 for Industrivärden.

Popular Abstract (Swedish)

Den effektiva marknadshypotesen säger att det inte går att finna någon form av strategi som riskjusterat avkastar bättre än de finansiella marknaderna. Vidare har det påvisats att autokorrelationen för enskilda aktier historiskt varit låg vilket tyder på att exempelvis teknisk analys torde tillföra lite värde för någon som ämnar avkasta bättre riskjusterat än den breda marknaden. I denna uppsats testar vi ifall dessa hypoteser och teorier håller för svenska, stora, noterade investmentbolag, närmare bestämt Investor och Industrivärden, under åren 2019 till 2025. Vi gör detta genom att applicera en maskininlärningsmodell där vi använder olika tidsserier såsom aktiepriset för den berörda aktien och utvecklingen för OMXS30 och framförallt substansvärdet för den berörda aktien. Just substansvärdet är intressant – detta är ett värde som i mångt och mycket är unikt för investmentbolag. Detta värde visar på vad det underliggande värdet per aktie i investmentbolaget är. Detta är särskilt intressant för investmentbolag som har en stor andel noterade tillgångar, detta eftersom en i så fall kan beräkna exakt vad investmentbolaget borde vara värt och således även vad investmentbolagets aktie borde kosta. Märk väl borde – det är sällan investmentbolagen handlas exakt i par till detta värde men dessa två tidsserier är i väldigt hög grad korrelerade. Detta gör substansvärdet till en mycket intressant parameter att använda vid denna typ av prediktioner vilket vi även finner stöd för i denna studie.
Genom att nyttja dessa tre tidsserier ämnar vi att med hjälp av maskininlärningsmodellen prediktera avkastningen för aktien nästkommande handelsdag. Denna prediktionsmodell kombineras med en regimmodell vilket kan beskrivas som en, i vårt fall, enkel statistisk modell vars huvudsakliga syfte är att förhindra att affärer initieras i en högvolatil miljö. Dessa två komponenter, det vill säga maskininlärningsmodellen och regimmodellen, bildar den sammantagna handelsstrategin.
Denna strategi simuleras därefter på historiska data för Investor och Industrivärden under lite drygt fem års data. Under själva simuleringen uppdateras modellen rekursivt vilket innebär att modellen med jämna mellanrum uppdateras för att kontinuerligt lära sig av den senaste datan utan att för den delen få se framtida data. Denna studie genomfördes för båda aktierna och kunde tydligt påvisa att det faktiskt går att riskjusterat avkasta bättre än den naiva strategin, vilket vore att äga aktien genom hela tidsperioden. Notera att detta inte är samma sak som att strategin i denna studien uppnådde en högre absolutavkastning utan snarare att avvägningen mellan risk, mätt som standardavvikelse, och avkastning var mer gynnsam när handelsstrategin tillämpades kontra att äga aktien under hela tidsperioden från 2019 till 2025. Vidare är alla de transaktionskostnader som uppstår vid köp och sälj av en aktie inkluderade i denna jämförelse. Sammantaget lyckas vi alltså påvisa att det går att skapa en handelsstrategi som riskjusterat avkastar bättre än aktien under samma tidsperiod.

• author: Ohlsson Bååth, Tobias and Jönsson, Albin
• supervisor: Magnus Wiktorsson
• organization: Mathematical Statistics
• alternative title: A theoretical and practical investigation of the possibility to create a short term trading strategy that risk adjusted outperforms the returns for Swedish, listed investment companies
• course: FMSM01 20251
• year: 2025
• type: H2 - Master's Degree (Two Years)
• subject: Mathematics and Statistics
• keywords: Systematic Trading, Quantitative Trading, Machine Learning, Random Forest, Alternative Data, Regime Model, Investment Companies, Net Asset Value, Investor, Industrivärden, OMXS30
• publication/series: Master's Theses in Mathematical Sciences
• report number: LUTFMS-3518-2025
• ISSN: 1404-6342
• other publication id: 2025:E36
• language: English
• id: 9202445
• date added to LUP: 2025-06-18 17:27:33
• date last changed: 2025-06-26 14:23:49